인스턴스 토큰
장면의 개별 객체 정체성 및 범위를 요약하는 토큰 표현이다. 한 그룹의 대표 벡터로서 여러 anchor 토큰을 묶어 객체 단위의 일관된 핸들을 제공하며 텍스트 기반 검색과 객체 편집의 주요 단위로 작동한다. 논문에서는 group-level embedding으로 구현되어 2D 마스크 감독으로 학습된다.